谢谢妮基的拉普拉斯建议。 OpenCV文档给我指出了同样的方向: 使用python, cv2 (opencv 2.4.10)和numpy…

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
numpy.max(cv2.convertScaleAbs(cv2.Laplacian(gray, 3)))

结果在0-255之间。我发现任何超过200的东西都非常清晰，而到了100，就明显模糊了。Max从来没有真正低于20，即使它完全模糊。

我想到了一个完全不同的解决方案。 我需要分析视频静止帧，以便在每(X)帧中找到最清晰的帧。这样，我将检测运动模糊和/或失焦图像。

我最终使用了Canny边缘检测，我得到了非常非常好的结果，几乎每一种视频(与尼基的方法，我有数字化的VHS视频和沉重的交错视频的问题)。

我通过在原始图像上设置感兴趣区域(ROI)来优化性能。

使用EmguCV:

//Convert image using Canny
using (Image<Gray, byte> imgCanny = imgOrig.Canny(225, 175))
{
    //Count the number of pixel representing an edge
    int nCountCanny = imgCanny.CountNonzero()[0];

    //Compute a sharpness grade:
    //< 1.5 = blurred, in movement
    //de 1.5 à 6 = acceptable
    //> 6 =stable, sharp
    double dSharpness = (nCountCanny * 1000.0 / (imgCanny.Cols * imgCanny.Rows));
}

在高度重视的期刊(IEEE Transactions on Image Processing)上发表的两种方法的Matlab代码可在这里获得:https://ivulab.asu.edu/software

检查CPBDM和JNBM算法。如果你检查代码，它并不难移植，顺便说一下，它是基于Marzialiano的方法作为基本特征。

基于耐克的答案。使用opencv实现基于拉普拉斯的方法很简单:

short GetSharpness(char* data, unsigned int width, unsigned int height)
{
    // assumes that your image is already in planner yuv or 8 bit greyscale
    IplImage* in = cvCreateImage(cvSize(width,height),IPL_DEPTH_8U,1);
    IplImage* out = cvCreateImage(cvSize(width,height),IPL_DEPTH_16S,1);
    memcpy(in->imageData,data,width*height);

    // aperture size of 1 corresponds to the correct matrix
    cvLaplace(in, out, 1);

    short maxLap = -32767;
    short* imgData = (short*)out->imageData;
    for(int i =0;i<(out->imageSize/2);i++)
    {
        if(imgData[i] > maxLap) maxLap = imgData[i];
    }

    cvReleaseImage(&in);
    cvReleaseImage(&out);
    return maxLap;
}

将返回一个短消息，指示检测到的最大锐度，根据我对真实世界样本的测试，这是一个很好的指标，说明相机是否对焦。不足为奇的是，正常值是依赖于场景的，但远不如FFT方法，它有很高的假阳性率，在我的应用程序中是有用的。

我目前使用的一种方法是测量图像中边缘的分布。请看这篇论文:

@ARTICLE{Marziliano04perceptualblur,
    author = {Pina Marziliano and Frederic Dufaux and Stefan Winkler and Touradj Ebrahimi},
    title = {Perceptual blur and ringing metrics: Application to JPEG2000,” Signal Process},
    journal = {Image Commun},
    year = {2004},
    pages = {163--172} }

它通常都是付费版本，但我也看到过一些免费版本。基本上，他们在图像中定位垂直边缘，然后测量这些边缘的宽度。平均宽度给出了图像的最终模糊估计结果。较宽的边缘对应模糊的图像，反之亦然。

该问题属于无参考图像质量估计领域。如果你在谷歌Scholar上查一下，你会得到很多有用的参考资料。

EDIT

下面是nickie发布的5张图片的模糊估计图。数值越高，模糊程度越高。我使用固定大小的11x11高斯滤波器，并改变了标准偏差(使用imagemagick的convert命令来获得模糊的图像)。

如果你比较不同大小的图像，不要忘记通过图像宽度归一化，因为较大的图像会有更宽的边缘。

最后，一个重要的问题是区分艺术模糊和不必要的模糊(由对焦缺失、压缩、拍摄对象相对于相机的运动引起)，但这超出了像这样简单的方法。举个艺术模糊的例子，看看莱娜的形象:莱娜在镜子里的倒影是模糊的，但她的脸是完美的聚焦。这有助于对莱纳图像进行更高的模糊估计。

在这篇文章中，我尝试了基于拉普拉斯滤波器的解决方案。这对我没有帮助。所以，我尝试了这篇文章中的解决方案，它对我的情况很好(但很慢):

import cv2

image = cv2.imread("test.jpeg")
height, width = image.shape[:2]
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

def px(x, y):
    return int(gray[y, x])

sum = 0
for x in range(width-1):
    for y in range(height):
        sum += abs(px(x, y) - px(x+1, y))

较少模糊的图像具有最大和值!

你也可以通过改变步长来调整速度和准确度。

这部分

for x in range(width - 1):

你可以用这个替换

for x in range(0, width - 1, 10):